論文の概要: LLAMA LIMA: A Living Meta-Analysis on the Effects of Generative AI on Learning Mathematics
- arxiv url: http://arxiv.org/abs/2601.18685v1
- Date: Mon, 26 Jan 2026 17:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.954589
- Title: LLAMA LIMA: A Living Meta-Analysis on the Effects of Generative AI on Learning Mathematics
- Title（参考訳）: LLAMA LIMA: 学習数学における生成AIの効果に関するメタ分析
- Authors: Anselm Strohmaier, Samira Bödefeld, Frank Reinhold,
- Abstract要約: リビングメタ分析 (LIMA) では, 数学学習における生成AIによる介入の効果について述べる。
文献ベースを継続的に更新し、累積データを考慮したベイズ的マルチレベルメタ回帰モデルを適用し、定期的にプリプリントサーバに更新版を発行する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The capabilities of generative AI in mathematics education are rapidly evolving, posing significant challenges for research to keep pace. Research syntheses remain scarce and risk being outdated by the time of publication. To address this issue, we present a Living Meta-Analysis (LIMA) on the effects of generative AI-based interventions for learning mathematics. Following PRISMA-LSR guidelines, we continuously update the literature base, apply a Bayesian multilevel meta-regression model to account for cumulative data, and publish updated versions on a preprint server at regular intervals. This paper reports results from the first version, including 15 studies. The analyses indicate a small positive effect (g = 0.31) with a wide credible interval [0.06, 0.58], reflecting the still limited evidence base.
- Abstract（参考訳）: 数学教育における生成AIの能力は急速に進化しており、研究がペースを維持する上で大きな課題となっている。
研究合成は依然として少なく、出版時期までに時代遅れになるリスクがある。
この問題に対処するために、生成AIベースの介入による数学学習の効果について、LIMA(Living Meta-Analysis)を提案する。
PRISMA-LSRガイドラインに従って、文献ベースを継続的に更新し、累積データを考慮したベイズ的マルチレベルメタレグレッションモデルを適用し、定期的にプリプリントサーバに更新版を発行する。
本報告では,第1版,第15版,第1版について報告する。
この分析は、まだ限られた証拠ベースを反映した、広い信頼区間[0.06, 0.58]の小さな正の効果(g = 0.31)を示す。
関連論文リスト
- Does GenAI Rewrite How We Write? An Empirical Study on Two-Million Preprints [15.070885964897734]
生成型大規模言語モデル(LLM)は、原稿の書き方を変えることによって、さらなる破壊をもたらす可能性がある。
本稿は、2016年から2025年(115ヶ月)にかけての2100万件以上のプレプリントを4つの主要なリポジトリで大規模に分析することで、このギャップを解消する。
以上の結果から,LSMは提出サイクルと修正サイクルを加速し,言語的複雑性が緩やかに増加し,AI関連トピックが不均等に拡大したことが明らかとなった。
論文 参考訳（メタデータ） (2025-10-18T01:37:40Z) - Gen AI in Proof-based Math Courses: A Pilot Study [0.0]
本研究では,3つの証明に基づく数学科目における生成AIの学生利用と知覚について検討した。
我々は,学生がAIツールに関わった方法,生成的AIの有用性と限界に対する認識,そしてこれらの知覚が証明に基づく数学を教える上でどのような意味を持つかを分析する。
論文 参考訳（メタデータ） (2025-09-16T22:18:12Z) - Measuring Human Involvement in AI-Generated Text: A Case Study on Academic Writing [39.5254201243129]
調査によると、大学生の30%近くが生成AIを使って学術論文やレポートを書く。
ほとんどの対策は、AI生成テキストの検出をバイナリ分類タスクとして扱い、堅牢性に欠ける。
このアプローチは、人間と機械のコラボレーションが主流になりつつあるにもかかわらず、コンテンツ生成への人間の関与を見落としている。
本稿では,BERTScoreを用いて生成プロセスにおける人間の関与を測定する手法と,トークン分類タスクで訓練されたマルチタスクRoBERTaベースの回帰器を提案する。
論文 参考訳（メタデータ） (2025-06-04T02:31:36Z) - LeanAgent: Lifelong Learning for Formal Theorem Proving [85.39415834798385]
フォーマルな定理証明のための新しい生涯学習フレームワークであるLeanAgentを紹介する。
LeanAgentは継続的に一般化し、拡張可能な数学的知識を改善します。
これは23のリーンリポジトリにわたる155の定理の正式な証明を生成する。
論文 参考訳（メタデータ） (2024-10-08T17:11:24Z) - Quantitative Analysis of AI-Generated Texts in Academic Research: A Study of AI Presence in Arxiv Submissions using AI Detection Tool [0.0]
本研究は,学術機関がArxivに投稿するために用いた,意図的に制作されたコンテンツを閲覧する手法について分析する。
統計分析によると、Originality.aiは98%の精度で正確である。
論文 参考訳（メタデータ） (2024-02-09T17:20:48Z) - Evaluating LLMs' Mathematical and Coding Competency through Ontology-guided Interventions [47.83142414018448]
算術的推論とコード生成という,2つの一般的な推論タスクに注目します。
i) 数学やコーディング問題に対する摂動の一般的なオントロジー, (ii) 摂動を応用するための半自動手法, (iii) 2つのデータセットを紹介する。
混乱した質問に対して、すべてのモデルで大幅なパフォーマンス低下を示します。
論文 参考訳（メタデータ） (2024-01-17T18:13:07Z) - Generative AI in Writing Research Papers: A New Type of Algorithmic Bias
and Uncertainty in Scholarly Work [0.38850145898707145]
大規模言語モデル(LLM)と生成AIツールは、バイアスを特定し、対処する上での課題を提示している。
生成型AIツールは、不正な一般化、幻覚、レッド・チーム・プロンプトのような敵攻撃を目標とする可能性がある。
研究原稿の執筆過程に生成AIを組み込むことで,新しいタイプの文脈依存型アルゴリズムバイアスがもたらされることがわかった。
論文 参考訳（メタデータ） (2023-12-04T04:05:04Z) - Understanding Incremental Learning of Gradient Descent: A Fine-grained
Analysis of Matrix Sensing [74.2952487120137]
GD(Gradient Descent)は、機械学習モデルにおいて、良い一般化に対する暗黙のバイアスをもたらすと考えられている。
本稿では,行列センシング問題に対するGDのダイナミクスを詳細に解析する。
論文 参考訳（メタデータ） (2023-01-27T02:30:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。